基于智能传感器的网络控制系统的最优估计和控制方法技术方案

本申请涉及基于智能传感器的网络控制系统的最优估计和控制方法，该基于智能传感器的网络控制系统的最优估计和控制方法，提出一种满足条件1：系统传感器具有一定的计算能力：智能传感器能够运行卡尔曼滤波器来实现局部最优状态估计；条件2：施加到系统内的控制指令能被系统传感器得知的SS

【技术实现步骤摘要】
基于智能传感器的网络控制系统的最优估计和控制方法


[0001]本申请涉及网络控制系统
，具体为基于智能传感器的网络控制系 统的最优估计和控制方法。

技术介绍

[0002]网络和通信技术的快速发展使得控制系统的各个组成部分可以通过网络连 接起来。这样的系统称为网络化控制系统(NCS)。网络的引入带来了许多优点， 如减少布线，降低安装和维护成本，增加系统的灵活性。然而，网络传输时延、 数据包丢失、网络量化等约束，给理论研究和实际应用带来了巨大的挑战。
[0003]对于遭受丢包的NCS，通常使用两种基本的通信协议：传输控制协议(TCP) 和用户数据报协议(UDP)；在TCP中，丢失的数据将被重新传输，直到发送节 点从接收节点收到确认信号(Acknowledgment，ACK)，ACK信号是执行器发送的 信号，用于通知估计器控制包是否丢失；在不可靠的网络中，很难通过及时发 送ACK来实现TCP，因此，TCP通常用于高安全性和数据完整并通信可靠的NCS， 例如智能电网和智能传输；由于UDP不使用ACK方案，不需要重传丢失的数据， 因此，UDP具有相对较低的传输可靠性，可以避免不必要的能量消耗，降低了延 迟，并可以进行连续通信，使其成为实时NCS的首选，例如机器人控制和远程 遥控，这一类系统因为不具有ACK信号，通常称为类UDP系统，对具有ACK信 号的系统通常被称为类TCP系统。现有的类UDP系统的最优估计器是非线性， 且由指数递增项组成，从而导致类UDP系统估计器的计算是大量费时的；往往 通过用线性最小均方误差估计器来代替最优估计器来解决线性二次高斯(LQG) 问题,实际上属于一种次优的LQG控制器，对于一般的类UDP系统，由于分离原 理不成立，LQG控制器是一个估计状态的非线性函数，且其求解涉及求解非凸优 化问题，因此在传统类UDP系统的结构(如附图1所示)保持不变的情况下， 不仅在技术上难于设计最优估计器和最优控制器，而且计算也是耗时的，使得 类UDP系统无法在实际工作中得以应用；基于上述问题，现有技术中有提出一 种基于智能传感器的类UDP系统(SS-UDP系统)，SS-UDP系统都满足以下两个 条件：条件1：传感器具有一定的计算能力；条件2：施加到系统内的控制指令 能被传感器得知；但现有技术的SS-UDP系统没有较优的估计器稳定性、估计误 差协方差(EEC)的分布和收敛性、无法给出对估计性能评估方法以及无法建立 闭环系统均方稳定的条件，即没有解决SS-UDP系统的最优估计和LQG控制问题。
[0004]申请内容 (一)解决的技术问题
[0005]为解决以上问题，本申请提供了基于智能传感器的网络控制系统的最优估 计和控制方法。
[0006](二)技术方案
[0007]为实现上述目的，本申请提供如下技术方案：基于智能传感器的网络控制 系统的最优估计和控制方法，包括以下步骤：
[0008]步骤S10：构建SS-UDP系统，所述SS-UDP系统是一个离散时间线性系统， 且所述
SS-UDP系统满足以下两个条件：条件1，系统传感器具有一定的计算能 力：智能传感器能够运行卡尔曼滤波器来实现局部最优状态估计；条件2，施加 到系统内的控制指令能被系统传感器得知；
[0009]步骤S20：对所述SS-UDP系统的估计问题和LQG问题实现公式化；
[0010]步骤S30：在所述SS-UDP系统中构造乘积概率空间和最优估计器；
[0011]步骤S40：根据所述乘积概率空间和所述最优估计器解决所述SS-UDP系统 的估计问题；
[0012]步骤S50：根据所述乘积概率空间和所述最优估计器解决所述SS-UDP系统 的LQG问题。
[0013]优选地，步骤S10还包括：
[0014]步骤S110：构建SS-UDP系统：
[0015][0016]其中，和均为常规矩阵，表示系统状态，
[0017]表示 执行器实际施加到系统内的控制输入，ω
k
是一个协方差Q≥0的零均值高斯噪声， 且所述SS-UDP系统为不稳定的系统即λ
A
＞1；
[0018]步骤S120：构建执行器：
[0019][0020]其中是控制器通过控制器-执行器(C/A)通道发出的控制指令；{v
k
} 是具有P(v
k
＝1)＝v的伯努利随机变量序列，用于描述数据包的丢失情况，v
k
＝1表 示控制指令u
k
已经成功传送到执行器，否则v
k
＝0；
[0021]步骤S130：构建传感器：
[0022]y
k
＝Cx
k
+v
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0023]其中是一个常规矩阵，表示观测值，v
k
是一个协方差R＞0的 零均值高斯噪声；
[0024]步骤S140：对所述条件1进行公式化：其中Y
k
＝{y
k
,
……
,y1}， 是通过传感器-估计器(S/E)通道向估计器发送而不是原始观测值y
k
，{γ
k
} 是具有P(γ
k
＝1)＝γ的伯努利随机变量序列，用于描述观测数据包的丢失情况，， γ
k
＝1表示局部估计已经成功传送到估计器，否则γ
k
＝0；
[0025]步骤S150：用在估计器侧接收到的信息集，当γ
k
＝0，为一个空集；
[0026]步骤S160：作出假设1：(A,Q
1/2
)是可控的，(A,C)是可观测的；ω
k
,v
k
,θ
k
和 是相互独立的。
[0027]优选地，所述SS-UDP系统的估计问题包括问题1：收敛性、问题2：稳定 性和问题3：估计性能，所述SS-UDP系统的LQG问题包括问题4：确定最优控 制序列和问题5：确定闭环系统稳定的条件；以下对所述问题1、问题2、问题 3、问题4和问题5进行公式化：
[0028]步骤S210：作出定义1：如果使得最小化，则用表示x
k
的估计性能在最小均方误差意义下是最优的；并用P
k
表示的误差协方差；
[0029]作出定义2：设X
n
和X分别是具有Ρ
n
和Ρ的随机变量，且X
n
在分布上收敛 到X，用表示，如果lim
n
→
∞
Ρ
n
({X
n
<x})＝Ρ({X<x})代表每个x，使得 Ρ
n
({X＝x})＝0；
[0030]根据定义1和定义2可得出关于收敛性的问题1：确定P
k
在分布中收敛的条 件本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于智能传感器的网络控制系统的最优估计和控制方法，其特征在于，包括以下步骤：步骤S10：构建SS-UDP系统，所述SS-UDP系统是一个离散时间线性系统，且所述SS-UDP系统满足以下两个条件：条件1，系统传感器具有一定的计算能力：智能传感器能够运行卡尔曼滤波器来实现局部最优状态估计；条件2，施加到系统内的控制指令能被系统传感器得知；步骤S20：对所述SS-UDP系统的估计问题和LQG问题实现公式化；步骤S30：在所述SS-UDP系统中构造乘积概率空间和最优估计器；步骤S40：根据所述乘积概率空间和所述最优估计器解决所述SS-UDP系统的估计问题；步骤S50：根据所述乘积概率空间和所述最优估计器解决所述SS-UDP系统的LQG问题。2.根据权利要求1所述的基于智能传感器的网络控制系统的最优估计和控制方法，其特征在于，步骤S10还包括：步骤S110：构建SS-UDP系统：其中，和均为常规矩阵，表示系统状态，表示执行器实际施加到系统内的控制输入，ω
k
是一个协方差Q≥0的零均值高斯噪声，且所述SS-UDP系统为不稳定的系统即λ
A
＞1；步骤S120：构建执行器：其中是控制器通过控制器-执行器(C/A)通道发出的控制指令；{v
k
}是具有P(v
k
＝1)＝v的伯努利随机变量序列，用于描述数据包的丢失情况，v
k
＝1表示控制指令u
k
已经成功传送到执行器，否则v
k
＝0；步骤S130：构建传感器：y
k
＝Cx
k
+v
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中是一个常规矩阵，表示观测值，v
k
是一个协方差R＞0的零均值高斯噪声；步骤S140：对所述条件1进行公式化：其中Y
k
＝{y
k
,.....,y1}，是通过传感器-估计器(S/E)通道向估计器发送而不是原始观测值y
k
，{γ
k
}是具有P(γ
k
＝1)＝γ的伯努利随机变量序列，用于描述观测数据包的丢失情况，，γ
k
＝1表示局部估计已经成功传送到估计器，否则γ
k
＝0；步骤S150：用在估计器侧接收到的信息集，当γ
k
＝0，为一个空集；步骤S160：作出假设1：(A,Q
1/2
)是可控的，(A,C)是可观测的；ω
k
,v
k
,θ
k
和是相互独立的。
3.根据权利要求2所述的基于智能传感器的网络控制系统的最优估计和控制方法，其特征在于，所述SS-UDP系统的估计问题包括问题1：收敛性、问题2：稳定性和问题3：估计性能，所述SS-UDP系统的LQG问题包括问题4：确定最优控制序列和问题5：确定闭环系统稳定的条件；以下对所述问题1、问题2、问题3、问题4和问题5进行公式化：步骤S210：作出定义1：如果使得最小化，则用表示x
k
的估计性能在最小均方误差意义下是最优的；并用P
k
表示的误差协方差；作出定义2：设X
n
和X分别是具有P
n
和P的随机变量，且X
n
在分布上收敛到X，用表示，如果lim
n
→
∞
P
n
({X
n
＜x})＝P({X＜x})代表每个x，使得P
n
({X＝x})＝0；根据定义1和定义2可得出关于收敛性的问题1：确定P
k
在分布中收敛的条件，并求出极限；步骤S220：作出定义3：误差协方差P
k
在平均意义上是稳定的，Ε[P
k
]是稳定的，如果Ε[P
k
]有界，即sup
k
Ε[P
k
]<+∞；根据定义3得出关于稳定性的问题2：确定Ε[P
k
]的稳定性条件；步骤S230：由于P
k
({P
k
≤αI})能够给出相应系统估计性能的完整表征，比Ε[P
k
]更好地评估估计性能，因此关于估计性能的问题3通过P
k
({P
k
≤αI})来分析估计性能；步骤S240：给定一个整数N，设W,Λ,W
N
,{W
k
}和{Λ
k
}，对于1≤k≤N-1是正定矩阵，定义有界成本函数：和无界成本函数：其中，π
N-1
＝{u0,...,u
N-1
}和π
∞
＝{u0,...,u
k
,...}代表控制输入序列，每个u
k
都是I
k
的函数，即u
k
＝f
k
(I
k
)；作出关于最优控制的假设2：(A,B)是可控的，(A,W
1/2
)是可观测的；由此作出关于最优控制序列的问题4：确定最优控制序列，并用或者表示；且使得成本函数J
N
或者J
∞
最小化：最小化：步骤S250：所述闭环系统由三个动态子系统组成，分别为系统状态x
k
、智能传感器和估计器且所述闭环系统即为反馈控制的所述SS-UDP系统，其中L
∞
是无限时域LQG控制增益；
然后提出关于均方稳定性的定义4：如果对于所有Ε[||x
k
||2]<+∞，所述闭环系统为均方稳定的；得出关于闭环系统稳定性的问题5：确定所述闭环系统的均方稳定条件。4.根据权利要求3所述的基于智能传感器的网络控制系统的最优估计和控制方法，其特征在于，所述最优估计器的构造步骤如下：步骤S310：根据假设1，所述智能传感器能够运行标准的卡尔曼滤波器来获得局部最优估计以及其相应的估计误差协方差S
k
：：：：：其中，S0＝P0；步骤S320：提出引理1：对于所述SS-UDP系统，最优估计器为UDP系统，最优估计器为其中，P0＝P0，5.根据权利要求4所述的基于智能传感器的网络控制系统的最优估计和控制方法，其特征在于，所述乘积概率空间包括有限概率空间和无限概率空间，所述乘积概率空间的构造步骤如下：步骤S330：引出与域相关的定义5：1)域和σ域：设是集合Ω的子集，如果那么叫做域；如果那么如果如果那么叫做σ域；2)生成σ域的集合：设是集合Ω的子集；如果包含在含有的σ域中，则σ域被称为由生成的σ域，用表示；引出与测度相关的定义6：1)有限可数加性：设是集合Ω的σ域，集合函数μ：称为上的可数加性，只要A1,A2,...在中形成一个有限或可数的不交集集合，且并集也属于可得到μ(∪
n
A
n
)
＝∑
n
μ(A
n
)；如果该等式只适用于中不相交集的有限集合，则μ被称为有限加性；2)测度：域或者σ域上的测度是一个非负实数的可数加性集函数μ，如果μ(Ω)＝1，μ被称为概率测度，通常用P表示；3)概率空间：概率空间是一个三元空间其中Ω是一个集合，称为样本空间，是Ω上的σ域，P是上的概率测度；4)可测函数：设和是可测空间，如果对于每个是可测空间，如果对于每个那么函数h：Ω1→
Ω2称为可测；5)σ有限测度：如果Ω写成其中和μ(A
i
)<∞时，上的非负实数的有限加性集函数μ称为σ有限测度；步骤S340：构造有限概率空间{γ
k
}是伯努利随机变量序列，根据步骤S330的定义，用表示每个γ
k
的概率空间，其中Ω
γ
＝{0,1}，是Ω
γ
的常规σ域，即域，即是与的概率测度，样本空间Ω
k
：由等式(8)可知，依赖于(γ
k
，...，γ1)，需要取2
k
不同的值，样本空间Ω
k
是由所有2
k
点组成的集合，Ω
k
中的点用表示；σ域σ域是由Ω
k
的所有子集组成；概率测度概率测度是一个集合函数：对于每个单点集由于(γ
k
，...，γ1)的相互独立性和给每个集合分配一个概率测度，使得步骤S350：构造随机变量Ρ
k
，随机变量Ρ
k
是Ω
k
到的可测函数，定义Ω
k
的子集，且在每个子集中Ρ
k
取常数值：由于Ω
k
是由单点集合θ＝(γ
k
，...，γ1)组成，定义对于0≤j≤k-1，其中，从左到右，第一个“1”出现在i+1位置；即对于每个有θ＝{γ
k
＝0，...，γ
k-j+1
＝0，γ
k-j
＝1，
×
，...，
×
}；提出命题1：对于子集以下事实成立：1)对于0≤i≠j≤k，
2)3)对于0≤j≤k-1，定义函数ψ
k
(P)和函数(P)和函数(P)和函数对于0≤i≤k，定义其中S
k
式(5)和式(6)计算得出；提出引理2：对于和和0≤n≤k-1；提出命题2：作为函数，P
k
可以由以下方式表示：对于步骤S360：构造无限概率空间当k
→
∞，Ω
k
无穷乘积空间为了求出随机变量P
k
的极限值，构造以下的无限概率空间样本空间Ω
∞
：由于Ω
∞
＝Ω
γ
×
Ω
γ
×…
是由无穷多个点组成，每个点θ∈Ω
∞
的形式为θ＝(θ1,...,θ
i
,...)，对于σ域令A＝{(0,0,...)}和A
[i]
＝{(0 ... 0 1
×
...)}1 ... i i+1 i+2 ...；为了便于索引A和A
[i]
，定义设为集合设是子集的所有有限可数结合的集合，即如果则存在一个有限的或可数的集合：即定义由生成σ域；
概率测度定义一个集合函数可得和其中，接着提出命题3：以下事实成立：1)对于2)即3)给定一个集合式(12)中的集合是惟一的，如果B
i
和B
j
不相交，那么和也不相交，此外，4)设{B
i
}是相互不相交的集合的序列，那么为了将扩展到上的概率测度，引入引理3：测度扩展定理：假设Ω
*
是非空集合，μ
*
是Ω
*
子集的σ域上的测度，μ
*
在σ域上是有限的，那么μ
*
对σ域上...

【专利技术属性】
技术研发人员：林鸿，苏宏业，舒展，吴争光，
申请(专利权)人：深圳职业技术学院，
类型：发明
国别省市：